For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the complete content index is available at https://we0.ai/llms.txt, the full English article bundle is available at https://we0.ai/llms-full.txt, and this page is available as Markdown at https://we0.ai/es/articles/langbot-4-10-2-enterprise-framework-update.md.
Una adaptación al inglés legible de la actualización LangBot Release 4.10.2, que abarca Sandbox, Skills, la conversión de RAG en plugins, in...
The Sandbox, también llamado Box Runtime, proporciona al Agente integrado un entorno de ejecución aislado. En términos simples, el Agente puede trabajar más como un desarrollador: puede ejecutar comandos, leer y escribir archivos, editar archivos y buscar en el contenido del proyecto sin tocar directamente el entorno del host.
El conjunto de herramientas nativo incluye seis herramientas principales:
Herramienta | Propósito |
| Ejecutar comandos de shell. |
| Leer el contenido de archivos. |
| Escribir archivos. |
| Editar archivos existentes. |
| Hacer coincidir archivos según un patrón. |
| Buscar dentro del contenido de archivos. |
El backend del sandbox es conectable. Según el entorno de despliegue, LangBot puede usar Docker, nsjail o E2B como backend de aislamiento. El sistema puede elegir automáticamente una opción adecuada.
El autor original también señala una ventaja arquitectónica: LangBot ya separa el entorno de ejecución de plugins del sistema principal. Eso hace que el diseño sea más fácil de ampliar. Por ejemplo, la WebUI puede ejecutarse en una máquina, el backend de LangBot puede ejecutarse en un NAS, y el Plugin Runtime puede desplegarse en otro lugar, como en una Raspberry Pi.
Box Runtime también puede alojar servidores MCP en modo stdio, lo que ofrece a LangBot una forma más segura y flexible de ampliar las capacidades de las herramientas.
Para habilitar el perfil completo en un despliegue de Docker, usa:
docker compose --profile all upPara desactivar el sandbox, establece:
box:
enabled: falseLas Skills son paquetes de instrucciones bajo demanda. Una skill puede incluir prompts, scripts, procedimientos, plantillas o archivos de referencia. El punto clave es que el Agent no necesita cargar todas las skills en el contexto todo el tiempo.
En cambio, el Agente normalmente solo ve una lista de habilidades disponibles. Cuando una tarea requiere una habilidad específica, el contenido completo de esa habilidad se carga solo en ese momento. Esto reduce el desperdicio de contexto y facilita la gestión de conversaciones largas o complejas.
Este diseño es útil cuando un Agente necesita capacidades especializadas, pero no debería llevar todas las instrucciones en el prompt del sistema. Mantiene el contexto predeterminado más ligero y, al mismo tiempo, sigue permitiendo una mayor capacidad cuando es necesario.
Funcionalidad | Qué cambió |
Páginas de extensión de complementos | Los complementos pueden renderizar una interfaz de usuario personalizada mediante iframe y un SDK de página. |
Supervisión y comentarios | Los comentarios pueden vincularse a los ID de los mensajes, y los datos de los comentarios pueden exportarse. |
Refuerzo de seguridad | Se añadieron correcciones relacionadas con la seguridad y mejoras de protección para escenarios de uso empresarial. |
LangBot v4.9.0 se centró en reestructurar la capacidad de base de conocimientos, o RAG, en una arquitectura basada en plugins. El autor señala que esta fue una actualización profunda planificada desde hace mucho tiempo, especialmente para una mejor integración con plataformas como Dify.
En el nuevo diseño, LangBot ya no trata las bases de conocimientos integradas y las bases de conocimientos externas como dos categorías separadas. En su lugar, todas las bases de conocimientos se gestionan de forma unificada. Los distintos motores de conocimiento se proporcionan mediante plugins.
Los principales cambios incluyen:
Gestión unificada: las bases de conocimientos integradas y externas se manejan bajo un único modelo de gestión.
KnowledgeEngine.Formularios dinámicos: al crear una base de conocimiento, el formulario puede mostrarse de forma diferente según el motor seleccionado.
Capacidades principales basadas en API: las llamadas de incrustación y las operaciones de la base de datos vectorial están encapsuladas dentro de RAGRuntimeService, por lo que los complementos pueden invocarlas a través de API.
Migración automática: las bases de conocimiento creadas en versiones anteriores pueden migrarse automáticamente después de actualizar a la versión v4.9.0.
La captura de pantalla muestra varios complementos de motores de conocimiento relacionados con RAG. La publicación original menciona cinco opciones de RAG, incluido el trabajo de investigación propio del equipo de LangBot.
LangBot Cloud también se ha lanzado oficialmente. Los usuarios que no quieran autoalojarlo pueden probar LangBot a través del servicio oficial en la nube.
Esta línea de versiones también incluye múltiples correcciones, que abarcan áreas como el análisis de salida de Dify, el envío de mensajes por WebSocket y la conversión de tipos de configuración.
Después de que la base de conocimientos se convirtiera en un sistema de plugins, los desarrolladores obtuvieron una forma más limpia de conectar motores de conocimiento personalizados a LangBot. Esto es especialmente útil para equipos con requisitos empresariales más complejos.
El autor original pasa luego más allá de las notas públicas de lanzamiento y enumera varias funciones que ya habían cambiado, pero que no se habían explicado por completo en artículos anteriores.
Según la publicación original, el mercado de plugins de LangBot ya ha superado los 400 elementos. El autor también señala que el equipo revisa los plugins y que los plugins exclusivamente de entretenimiento son relativamente limitados, con poca duplicación.
Este punto importa porque los ecosistemas de plugins suelen ser más importantes que una sola lista de funciones integradas. Un ecosistema más grande significa que los usuarios pueden ampliar LangBot para distintos flujos de trabajo en lugar de esperar a que cada capacidad pase a formar parte del producto principal.
LangBot ha seguido ampliando la compatibilidad con plataformas externas de desarrollo de aplicaciones de IA. El artículo original menciona actualizaciones recientes relacionadas con Weknora y Deerflow, y enfatiza que LangBot presta mucha atención a la extensibilidad.
La captura de pantalla muestra archivos relacionados con conectores para múltiples plataformas, incluidas Coze, DashScope, DeerFlow, Dify, Langflow, agentes locales, n8n, Tbox y Weknora.
LangTARS se describe como una capa de capacidades modular. LangBot actúa como la base unificada que expone de forma segura modelos, herramientas, bases de conocimiento e historial de conversaciones a agentes locales o de terceros.
Esto permite que un agente se centre en la inteligencia de negocio: comprender la intención del usuario, invocar herramientas, recuperar conocimiento y organizar las respuestas. El agente no necesita preocuparse por los detalles de conexión de bajo nivel.
El artículo también menciona que estas capacidades pueden admitir tanto operaciones basadas en entornos aislados como escenarios de control de computadoras personales.
LangBot ha añadido enrutamiento de devolución de llamada de modelos a nivel empresarial. Cuando falla una llamada al modelo, el mensaje puede redirigirse de vuelta a un modelo alternativo preconfigurado.
El valor de este diseño es que ayuda a superar las limitaciones relacionadas con las claves API y los proveedores de modelos. Para los sistemas empresariales, esto puede mejorar la fiabilidad cuando un proveedor falla o alcanza un límite.
LangBot ya ha alcanzado una amplia compatibilidad con plataformas de mensajería instantánea. El artículo original afirma que LangBot admite directa o indirectamente más de 30 plataformas de mensajería instantánea.
Para los frameworks de bots, la cobertura de mensajería instantánea importa mucho. Una empresa puede necesitar que un solo sistema de bots funcione en WeChat, QQ, Lark, DingTalk, Telegram, Discord, Slack, LINE y otras plataformas. Un framework de bots unificado puede reducir el trabajo de integración duplicado.
El artículo también menciona el enrutamiento por canalización, que se comporta en cierto modo como un flujo de trabajo.
Con esta función, LangBot puede enrutar conversaciones a diferentes canalizaciones según palabras clave del negocio u otras condiciones. Diferentes canalizaciones pueden usar distintos prompts, extensiones y bases de datos. También pueden estar anidadas.
El autor original añade una nota importante: después de que llegue la actualización del flujo de trabajo visual, esta función de enrutamiento por canalización podría eliminarse o reemplazarse, porque la orquestación visual del flujo de trabajo será más estable y más fácil de usar.
Para algunas plataformas abiertas compatibles, LangBot puede usar una configuración basada en código QR. Esto facilita la configuración de una plataforma abierta sin tener que introducir manualmente cada detalle.
Algunas próximas funciones ya estaban en desarrollo cuando se escribió el artículo original. El autor señala que parte del contenido era tan reciente que incluso el sitio web oficial todavía no se había actualizado en ese momento.
Describe tu idea una vez y We0 AI puede generar un sitio de presentacion, paginas y CMS, y ayudarte a atraer clientes y trafico tras el lanzamiento.
Una generación completa de proyectos para registro gratuito
Lo mejor para probar un flujo de generación completo y ver rápidamente el primer borrador del proyecto.
La función de orquestación visual de flujos de trabajo ya ha completado su desarrollo y se ha determinado el momento de la integración.
Este es uno de los cambios futuros más importantes porque puede hacer que la lógica compleja sea más fácil de construir y mantener desde la WebUI.
El artículo también menciona que el proyecto conectado con cc había ganado cierta atención, por lo que el equipo decidió añadir soporte para otras capacidades de estilo CLI similares a Claude Code y Codex.
Esta dirección encaja con la tendencia más amplia de permitir que los agentes de IA trabajen más directamente con entornos de desarrollo, herramientas de línea de comandos y proyectos locales.
El autor deja las próximas funciones restantes como adelanto. El mensaje principal es claro: la actualización actual de LangBot no es el punto final, y la hoja de ruta aún incluye más mejoras relacionadas con Agents y Workflows.
El artículo original también responde a otro artículo que, según el autor, no verificó suficientes detalles antes de hacer comparaciones.
La captura de pantalla indica que tanto LangBot como AstrBot están trabajando para construir ecosistemas útiles de bots de IA, pero ponen el énfasis en direcciones diferentes. LangBot se centra más en conectar rápidamente aplicaciones de IA con ecosistemas de chat, mientras que AstrBot se centra más en convertir el propio bot en una plataforma inteligente extensible.
La conclusión práctica es simple: las comparaciones deben basarse en funciones verificadas, casos de uso y necesidades de implementación. Un framework puede parecer “más pequeño” solo si la comparación ignora los sistemas de plugins, la separación en tiempo de ejecución, las integraciones de plataforma o las funciones de enrutamiento empresarial.
Los frameworks de bots de IA intentan conectar modelos, herramientas, bases de conocimiento, plataformas de mensajería y flujos de trabajo de los usuarios. La similitud no es necesariamente un problema. La verdadera diferencia está en la arquitectura, el modelo de extensión, el diseño de despliegue y la rapidez con la que un equipo puede dar soporte a casos de uso del mundo real.
Los distintos equipos desarrollan bajo restricciones diferentes. Algunos se centran en la facilidad de uso local. Algunos se centran en la riqueza de complementos. Algunos se centran en el despliegue empresarial. Algunos se centran en la cobertura de plataformas de chat.
Por eso, una comparación seria no debería preguntar solo “¿cuál tiene más funciones?”. También debería preguntar: ¿qué framework se ajusta mejor al escenario de despliegue, al tamaño del equipo, a los requisitos de la plataforma, a la capacidad de mantenimiento y al plan de extensión a largo plazo?
Al final del artículo original, el autor añade datos relacionados con el rendimiento. Para un framework, la alta concurrencia y la gestión de múltiples sesiones son indicadores importantes.
El método de prueba consistió en forzar la acumulación de sesiones no procesadas hasta alrededor de 50–70, luego reducir gradualmente la velocidad y observar el TPS cuando el sistema alcanzaba el equilibrio de carga.
El autor señala que hubo acumulación de sesiones durante la prueba, por lo que representa un entorno de alta concurrencia y no es exactamente igual al tráfico normal de producción. Sin embargo, sigue ofreciendo una visión útil del rendimiento del framework bajo presión.
Condiciones de prueba descritas en el artículo original:
Elemento | Condición de prueba |
Hardware | Raspberry Pi 5 con 8 GB de memoria |
Sistema | Ubuntu 22 |
Despliegue | Frontend y backend ejecutándose juntos |
Uso de contenedores | Sin despliegue en contenedores |
API de IA | La misma interfaz de OpenAI |
Latencia del modelo/API | El mismo modelo de latencia de la interfaz de IA y parámetros predeterminados |
Respuestas por hora |
Los siguientes gráficos provienen de la prueba A/B de frameworks nacionales mostrada en el artículo original.
Según la interpretación del gráfico por parte del autor original, el TPS es de alrededor de 240 respuestas por hora.
Los siguientes gráficos provienen de la prueba de LangBot mostrada en el artículo original.
Según la interpretación del gráfico por parte del autor original, LangBot alcanza alrededor de 1260 respuestas por hora en esta prueba.
El autor también señala que esto aún podría ser algo injusto para LangBot porque LangBot comienza con un componente Runtime adicional. Incluso con ese componente extra, el resultado sigue siendo significativamente más alto en la prueba mostrada.
Estos gráficos son útiles, pero no deben considerarse una referencia universal de producción. El autor utilizó una Raspberry Pi 5 y un método de prueba específico, por lo que los números absolutos pueden cambiar en función de distinto hardware, diferentes API, distinta latencia del modelo y diferentes topologías de despliegue.
La señal más útil es la relación relativa de TPS bajo la misma configuración de prueba. El autor original también dice que el software de prueba relacionado podría publicarse como código abierto más adelante.
LangBot es una plataforma de código abierto y de nivel de producción para crear bots de mensajería instantánea impulsados por IA. Conecta modelos de lenguaje de gran escala y plataformas de aplicaciones de IA con plataformas de chat como Discord, Telegram, Slack, WeChat, QQ, Lark, DingTalk y más.
La actualización más importante es la introducción de Sandbox y Skills. Sandbox proporciona al Agente un espacio de trabajo aislado para operaciones de comandos y archivos, mientras que Skills permite que el Agente cargue instrucciones especializadas solo cuando sea necesario.
Box Runtime es el entorno de ejecución aislado de LangBot. Puede proporcionar herramientas como exec, read, write, edit, glob y grep, manteniendo la ejecución aislada del entorno del host.
Para el despliegue con Docker, el artículo original utiliza docker compose --profile all up para iniciar el perfil completo. Para desactivar el sandbox, establece box.enabled: false en la configuración.
Las habilidades son paquetes de instrucciones bajo demanda para el Agente. Pueden incluir prompts, procedimientos, scripts y archivos de referencia, lo que permite al Agente utilizar conocimientos especializados sin cargar todo en el contexto desde el principio.
La respuesta depende del caso de uso. LangBot se centra fuertemente en conectar aplicaciones de IA con ecosistemas de chat, enrutamiento empresarial, separación del entorno de ejecución de plugins, RAG, MCP y despliegue de mensajería instantánea en múltiples plataformas. AstrBot también cuenta con sólidas capacidades de Agent y de framework para bots, por lo que la elección correcta depende del escenario de despliegue y de las prioridades de funcionalidades.
No. La prueba original utilizó una configuración específica de Raspberry Pi 5 y un escenario controlado de acumulación de solicitudes. Los números son útiles como referencia, pero el rendimiento en producción dependerá del hardware, la latencia de la API, el método de despliegue, la carga de sesiones y la configuración.
Sí, LangBot está diseñado para entornos de producción y empresariales, especialmente cuando los equipos necesitan compatibilidad con mensajería instantánea en múltiples plataformas, integración con bases de conocimiento, enrutamiento de modelos, supervisión y capacidades de plugins extensibles.
LangBot: Plataforma de código abierto para crear bots de mensajería instantánea impulsados por IA.
Documentación de LangBot: Documentación oficial sobre implementación, configuración de bots, modelos, pipelines, plugins, sandbox y habilidades.
SDK de Plugins de LangBot: SDK oficial de plugins, CLI, infraestructura de Plugin Runtime y Box Runtime para LangBot.
LangBot Cloud: Servicio administrado de LangBot para usuarios que no desean alojarlo por su cuenta.
AstrBot: Asistente con agente de IA y framework de chatbot de código abierto, usado aquí como referencia de comparación.
Docker: Plataforma de contenedores utilizada por las implementaciones de LangBot y el backend del sandbox.
Dify: Plataforma de desarrollo de aplicaciones LLM a la que LangBot puede conectarse.
n8n: Plataforma de automatización de flujos de trabajo que puede conectarse a LangBot para activar flujos de trabajo basados en chat.
Artículo original de CSDN: Artículo fuente adaptado a esta versión en Markdown en inglés.
Blog de lanzamiento de Sandbox y Skills de LangBot v4.10.0: Artículo oficial de LangBot que explica Sandbox y Skills.
Repositorio de GitHub de LangBot: Repositorio principal de código abierto de LangBot.
Lanzamientos de LangBot: Historial oficial de versiones de LangBot.
Documentación oficial de LangBot: Punto de entrada para la documentación de uso, despliegue y configuración de LangBot.
Documentación de Skills de LangBot: Documentación oficial para instalar y usar Skills.
Repositorio del SDK de Plugins de LangBot: Repositorio oficial del SDK y del entorno de ejecución para los plugins de LangBot y la infraestructura de sandbox.
Repositorio de AstrBot en GitHub: Repositorio oficial de AstrBot para lectores que quieran comparar las direcciones de los frameworks.
Empieza con una sola frase y obtén un sitio completo en minutos.
